传统视频压缩编码技术建立在奈奎斯特采样定理基础上,先对信号进行高速采样,然后通过复杂编码压缩技术去除冗余信息。这种视频编码方法计算复杂度极高,很难适用编码端传感器资源受限、数据测量代价昂贵等应用场合。压缩感知技术通过开发信号的稀疏特性,突破了奈奎斯特采样定理的限制,实现了信号采样与压缩过程的合并,大大节省了采样资源成本。基于迭代优化的传统视频压缩感知重构算法虽然支持理论完备,但时间复杂度较高,难以实际应用。近年来,少量基于深度学习的视频压缩感知算法被提出,成功解决了传统算法高耗时的问题,但未充分利用帧间相关性,理论可解释性不足。本文结合传统方法与深度学习视频压缩感知重构各自的优势,完成了以下两部分工作。1.结合传统多假设重构理论,提出一种特征域多假设视频压缩感知重构网络（MHNet）。首先,采用时域可变形卷积对齐网络在特征域获得各像素的多假设预测,通过深度学习获得自适应参数,提高了假设集的匹配准确性与权重的精度,充分地挖掘了时间相关性,降低了块效应,得到高质量的预测帧;然后,构建残差重构模块实现非关键帧预测残差的重构,进一步提升重构质量;最后,针对信号的特征探究了并行与串行两种运动补偿模式,并给出了其网络实现（MHNet＿par与MHNet＿ser）。仿真结果表明,MHNet＿ser在大多数情况下优于MHNet＿par,且明显高于其它视频压缩感知重构算法。2.针对多假设问题中假设集构造与假设权重求解两个关键问题,对MHNet中多假设预测过程进行优化增强,提出增强多假设预测视频压缩感知重构算法（EMHNet）。EMHNet提出了自适应深度多假设预测模块（MH-Module）与两阶段多参考帧运动补偿模式。前者通过增加运动估计网络深度、增加自适应权值求解模块和扩大假设集容量等方法提升了网络的预测能力;后者通过合理选择参考帧,使不同运动特征序列均能构造更优假设集。仿真结果表明,EMHNet在各种实验条件下都有较好的重构性能,相比于MHNet提升了1-2d B。